KR20230144646A - 미지의-불안전한 시나리오들을 생성하는 것, 자동화된 차량들을 개선하는 것, 컴퓨터 시스템 - Google Patents

Abstract

자동화된 차량들(VHC)의 안전성을 평가하고 개선하기 위한 미지의-불안전한 시나리오들(SUU)을 생성하기 위한 컴퓨터에 의해 구현된 방법으로서, 복수의 상이한 시나리오들(SCO)를 제공하는 제1 프로세스(PC1)를 포함하는, 방법. 자동화된 차량들(VHC)의 안전성 및 이들을 설계하는 효율을 개선하기 위해, 본 발명은 복수의 상이한 시나리오들(SCO)을 미지의-불안전한 시나리오들(SUU)인 시나리오들(SCO)로 감소시키는 제2 프로세스(PC2)를 제공하는 것을 제안한다. 또한, 본 발명은 컴퓨터에 의해 구현된 방법을 적용함으로써 시스템을 시뮬레이션하기 위한 컴퓨터-시스템(CPS)을 제공하는 것에 관한 것이다.

Description

미지의-불안전한 시나리오들을 생성하는 것, 자동화된 차량들을 개선하는 것, 컴퓨터 시스템

본 발명은 미지의-불안전한 시나리오들(unknown-unsafe scenarios)을 생성하기 위한, 특히, 자동화된 차량들(automated vehicles)의 안전성을 평가하기 위한 컴퓨터에 의해 구현된 방법에 관한 것으로서, 이 방법은 복수의 상이한 시나리오들을 제공하는 제1 프로세스를 포함한다. 또한, 본 발명은 적어도 하나의 프로세서를 포함하는 컴퓨터 시스템을 다루며, 프로세서는 본 발명에 따른 방법을 수행하도록 준비된다.

지난 수년에 걸쳐, 자동화된 드라이빙(automated driving) 기능들 및 기술들(예를 들어, 센서 기술, 고성능 컴퓨팅, 머신 학습, 컴퓨터 비전 등)의 개발에서 상당한 진보가 이루어졌다. 그러나, 자동화된 드라이빙 기능들의 방대한 발전에도 불구하고, 감독(supervision) 없이 비구조화된 환경들에서 드라이빙할 수 있는 완전히 자동화된 차량들의 도입은 장기간의 목표로 남아 있다.

오늘날 시장에 나와 있는 주요 드라이버 보조 시스템들(driver assistance systems)은 SAE 레벨 1 또는 2로서 분류되고(자동화 레벨 1: 보조 모드: 적응적 크루즈 컨트롤(adaptive cruise control)(ACC)과 같은, 차량 동작에 도움이 되는 특정 보조 시스템들; 자동화 레벨 2: 보조 모드, 부분 자동화; 자동 주차(automatic parking), 차선 유지(lane keeping), 일반적 종방향 안내(general longitudinal guidance), 가속(acceleration), 제동(braking)과 같은 기능들은 보조 시스템들, 예를 들어, 교통 잼 보조(traffic Jam Assist)에 의해 수행됨), 특정 상황들을 위해 설계되었다. 비교하면, 더 높은 레벨들의 자율성(autonomy)(SAE 레벨 3, 4, 5)을 갖는 시스템들은 복잡한 교통 상황들, 불리한 날씨 및 조명 조건들 및 진화하는 시나리오들(에지/코너 경우들 및 드물지만 안전성 관련 이벤트들을 포함함)에서 철저하게 테스트되고 강건해야 한다. 이것은 시장에서 안전하게 출시될 수 있기 전에 막대한 수의 테스트 드라이브 킬로미터를 필요로 할 것이다. 이것은, 종래의 검증 접근법들, 프로세스들, 및 툴들은 이들 새로운 시스템을 검증하는 도전적 문제를 효율적으로 처리할 수 없다는 것을 의미한다.

자동화된 차량(Automated vehicle)(AV)들의 안전성을 평가하기 위해, 다양한 양태들이 고려되어야 한다. 첫째, 안전한 동작은 ISO26262(도로 차량들 - 기능적 안전성)에 설명된 바와 같이, 기능적 안전성을 통해 보장되어야 한다. 이 표준은 하드웨어 및 소프트웨어 둘 다에서의 체계적 및 랜덤 결함들로 인한 기술적 고장들에 의해 유발되는 위험들(hazards)을 다룬다. 추가적으로, 소위 의도된 기능의 안전성(Safety of the Intended Functionality)(SOTIF)이 보장되어야 한다. SOTIF는, 기술적 시스템 고장들이 없는 경우에, 기능적 불충분으로부터 발생하는 리스크들(risks) 및 위험을 완화하는 것에 초점을 맞추고 있다. SOTIF 분석은 시스템 약점들의 식별뿐만 아니라 위험한 이벤트로 이어지는 시나리오들을 커버한다.

SOTIF에 따르면, 시나리오들은 2개의 속성들에 기초하여 분류된다: 첫째, 시나리오들은 설계자에 의해 이미 예견되었는지 여부에 따라 알려지거나 알려지지 않는다. 둘째, 이들은 안전하거나 또는 불안전하다. 이것은 4가지 타입의 시나리오들을 초래한다:

- 알려진-안전한(known-safe),

- 알려진-불안전한(known-unsafe),

- 미지의-불안전한(unknown-unsafe), 및

- 미지의-안전한(unknown-safe).

SOTIF 분석은 주로 미지의-불안전한 시나리오들을 식별하는 것에 집중한다. 불안전한 시나리오가 발견되었을 때, 그 리스크는 완화될 수 있다.

SOTIF 평가를 위한 미지의-불안전한 시나리오들을 식별하는 것은 열린 도전과제이다.

그러한 시나리오들을 획득하기 위해, 테스트 드라이브들 또는 사고 데이터베이스들과 같은 데이터로부터 그것들을 추출하는 것이 알려져 있다. 그러나, 테스트 드라이브들로부터의 추출은 여전히 많은 테스트 킬로미터를 필요로 한다. 사고 데이터베이스들로부터의 추출은 이들이 현재 인간 드라이버를 수반한다는 단점을 갖는다. 이들은, 인간 드라이버에게 위험한 시나리오들이 자동화된 드라이빙 시스템에 대해서는 위험하지 않을 수 있기 때문에, 대표적이지 않을 수 있다. 한편, 자동화된 드라이빙 기능은 새로운 위험들을 도입할 수 있다.

SOTIF는, 특정한 동작 상황들과 조합하여 잠재적 시스템 위험들에 의해 야기되는 위험한 이벤트들을 고려한다. 따라서, 그러한 위험들을 검출하는 것은 위험을 트리거하고 이전에 알려지지 않은 불안전한 시나리오들의 식별을 요구한다. 크리티컬리티(criticality) 및 신규성(novelty)이라는 용어들은 시나리오가 불안전하고 알려지지 않을 가능성을 각각 나타내기 위해 이용된다. 안전성 평가를 위한 최신 시나리오 식별 기술들은 다음과 같이 분류된다:

하나의 알려진 방법은 소위 지식 기반 시나리오 생성(knowledge-based scenario generation)이다. 지식에 기초하여 시나리오들을 생성할 때 많은 요인들이 고려되어야 한다. 여기서, 동작 설계 도메인, 객체 및 이벤트 검출 및 응답, 차량 조종들 및 결함 관리와 같은 자율 차량(autonomous vehicle)의 일부 양태들이 검증되어야 한다. 예를 들어, 동작 설계 도메인 분류 및 온톨로지 기반 시나리오 생성(Operational Design Domain Taxonomy and ontology-based scenario generation)은 상이한 요소들이 시나리오들에 결합될 수 있는 방법을 안내하는 접근법들이다.

다른 알려진 방법은 파라미터 변동에 의한 시나리오 식별이다. 이 접근법에서 시나리오 생성은 논리적 시나리오들로부터 시작한다. 크리티컬 시나리오를 찾기 위해 파라미터 범위들이 샘플링된다. 관련 시나리오를 관련없는 시나리오와 구별하기 위해 크리티컬리티 표시자들(criticality indicators) 또는 적합도 함수들(fitness functions)이 이용될 수 있다. 관련/논리적 시나리오는 기능적 시나리오로 시작한 다음 파라미터 범위들을 정의함으로써 획득된다. 핵심 성능 표시자(Key Performance Indicator)(KPI)들은 크리티컬리티 표시자로서 이용되는 각각의 논리적 시나리오에 할당된다. 그 후, 파라미터 변동을 이용하여 구체적인 시나리오들이 선택될 수 있다.

다른 알려진 방법은 자동 최적화 또는 위조(automatic optimization or falsification)를 갖는 시나리오 식별이다. 이 접근법에서 시나리오 생성은 (한 세트의) 구체적인 시나리오로 시작한 다음 그 복잡도 또는 크리티컬리티를 증가시킨다. 크리티컬리티 표시자들 또는 목적 함수들(objective functions)은 검색을 지원하는 데 이용된다. 대부분의 경우에, 최적화는 시뮬레이션들을 이용하여 반복적 방식으로 행해진다. 이 접근법은 도달가능성 분석에 기초하고 모션 플래너들(motion planners)을 테스트하는 것을 목표로 한다. 예상 도달가능 세트가 먼저 결정된다. 이 세트는 불가피하게 사고를 야기할 것들을 제외한 모든 도달가능 상태들을 포함한다. 도달가능 세트들을 계산하기 위해, 차량 모델들이 요구된다. 그 후, 드라이빙가능 영역은 예상 도달가능 세트에 대응하는 모든 위치들의 영역을 계산함으로써 획득된다. 드라이빙가능 영역은 크리티컬리티 척도로서 이용된다. 다음으로, 드라이빙가능 영역을 축소하기 위해 최적화 루틴들이 이용된다.

다른 알려진 방법은 데이터베이스 시나리오 식별이다. 이전 섹션들에서 논의된 방법들은 지식에 대한 시나리오들의 생성에 기초한다. 대조적으로, 이 섹션에서 제시될 방법들은 데이터로부터 시나리오들을 추출한다. 처음 2개의 기여들은 테스트 중인 자동화된 드라이빙 시스템에 의해 회피될 수 있었던 충돌들의 검출을 다룬다. 충돌 빈도의 통계적 추정을 위한 데이터 기반 시나리오 선택은 다음의 그룹들로 세분될 수 있다.

- 확률적 시뮬레이션들에서의 충돌 회피

이 방법에서, 시나리오들은 사고 데이터베이스(accident database)로부터 선택된다. 다음, 자동화된 드라이빙 시스템의 안전성 유효성을 평가하기 위해 확률적 시뮬레이션들이 이용된다. 다양한 파라미터들, 예를 들어, 그 개개의 모델들에 대응하는 다른 트래픽 참여자들의 거동이 스위핑된다. 이러한 방식으로, 자동화된 드라이빙 시스템이 사고를 피할 수 있는지가 결정될 수 있다. 이 접근법은 사고에 대한 매우 상세한 설명을 요구하고, 자동화된 기능 자체에 의해 도입되었을 수 있는 새로운 잠재적인 위험들에 관한 제한된 정보만을 제공한다.

- 검색 기반 회피가능 충돌

시뮬레이션들에서 피할 수 있는 충돌을 찾기 위한 주로 두 가지 검색 기반 접근법들이 이용된다. 피할 수 있는 충돌은 테스트 중인 자동화된 드라이빙 시스템의 특정 구성을 갖는 특정 시나리오에서 발생하는 충돌로서 정의되지만, 시스템이 상이하게 구성되는 경우에는 피할 것이다. 첫 번째는 시나리오의 위험이 충돌을 찾기 위해 먼저 최대화되는 순차적 접근법이다. 이어서, 동일한 시나리오에서 충돌을 야기하지 않는 상이한 가중치들을 찾기 위해 다중-목적 검색(multi-objective search)이 수행된다. 목적들은 위험을 최소화하고 초기 가중치들과 재구성된 가중치들 사이의 거리를 최소화하는 것이다. 제2 접근법은 충돌을 검색하는 것을 회피하는 대안적인 구성과 조합하는 다중-목적 접근법이다. 원래의 가중치와 재구성된 가중치 사이의 거리를 최소화하는 목적은 동일하게 유지된다.

- 극한 값 이론에 대한 시나리오 선택

이 방법에서, 충돌들의 빈도가 통계적으로 추정된다. 이를 위해, 센서 데이터를 포함하는 사고 데이터가 이용되어, 충돌에 대한 근접도가 계산될 수 있다. 극한 값 이론(Extreme Value Theory)을 이용하면, 충돌 직전 이벤트들(near-collision events)의 빈도가 외삽되어, 실제 충돌들의 추정된 빈도를 산출할 수 있다.

본 발명의 목적은 독립 청구항들에 의해 달성된다. 종속 청구항들은 본 발명의 유리한 개발들 및 수정들을 설명한다.

본 발명은 복수의 상이한 시나리오들을 미지의-불안전한 시나리오들인 시나리오들로 감소시키는 제2 프로세스를 포함하는 초기에 언급된 타입의 방법에 의해 종래의 방법의 전술한 문제점들 및 단점들을 해결한다.

본 발명은 "시나리오"가 발생하는 환경으로서 "장면(scene)"을 지칭한다. 예를 들어, 바람직하게는 위치, 날씨 조건 및 조명 조건은 하나의 장면을 정의할 수 있다.

본 발명과 관련하여, "기본 시나리오 요소(basic scenario element)"는 측방 및 종방향으로의 도로 사용자의 거동 또는 움직임을 기술하는 추상화된 모델로서 정의된다. 이러한 거동은 바람직하게는 각각의 참가자의 수평 움직임으로서 이해된다.

본 발명에 따르면, "시나리오"는 모든 도로 사용자들과 특정 장면에서의 그들 각각의 기본 시나리오 요소들(즉, 그들의 거동)의 조합이다.

본 발명과 관련하여, "3D-환경"은 비유적인 외관(figurative appearance)을 갖는 3D 상호작용 환경으로서 이해될 수 있다. 상기의 3D-환경은 차량의 타이어들의 접촉 패치들과 상기의 3D-환경의 대응하는 접촉 표면들 사이의 상호작용, 특히, 기계적 상호작용 및 상기의 차량의 센서들과 3D-환경 사이의 추가적인 센서-상호작용, 특히, 전자기적, 예를 들어, 광학적 상호작용을 허용한다.

본 출원 전체에 걸친 단수 표현("a" 또는 "an")의 이용은 복수를 배제하지 않고, "포함하는(comprising)"은 다른 단계들 또는 요소들을 배제하지 않는다는 점에 유의해야 한다. 또한, 상이한 실시예들과 관련하여 설명된 요소들이 결합될 수 있다. 또한, 청구항들에서의 참조 부호들은 청구항들의 범위를 제한하는 것으로 해석되어서는 안 된다는 점에 유의해야 한다.

지식 기반들로부터의 시나리오들의 구성을 기록된 데이터로부터의 시나리오들에 대한 검색과 비교하면 다음의 유사점들 및 차이점들이 얻어진다.

이러한 방법들 사이의 유사점들은, 예를 들어, 시나리오들의 시뮬레이션이 중요하다는 것일 수 있다. 또한, 대부분의 방법들은 크리티컬 또는 논-크리티컬 시나리오들을 구별하기 위해 크리티컬리티 표시자들 또는 목적 함수들을 필요로 한다.

차이점으로서, 한 그룹의 접근법들이 논리적 시나리오들로부터 시작한 다음 파라미터 공간을 샘플링한다는 것이 언급될 수 있다. 이것은 정상 샘플링, 파라미터들의 확률적 변동 또는 조합 테스트 접근법을 이용하여 행해질 수 있다. 다른 접근법들은 하나 또는 세트의 구체적인 시나리오들로 시작하고, 주로 반복적인 최적화 절차를 적용한다. 최적화는, 예를 들어, 전이 기반(Transition-based) RRT, 진화 알고리즘들(evolutionary algorithms), 단일 및 다중 목적 최적화를 이용하여 행해진다.

논의된 바와 같이, 현재의 시나리오 식별 방법들은 종종 크리티컬리티 및 잠재적으로 불안전한 상황들에만 초점을 맞추지만, 알려지지 않은 것들에는 초점을 맞출 필요가 없다. 한편, 크리티컬리티에 대한 다양한 정의들 및 표시자들이 이용된다.

본 발명의 하나의 목적은 미지의 및 불안전한 시나리오들을 식별하는 것을 목표로 하는 일반적인 방법을 개발하는 것이다.

본 발명에 따르면, 초기에 정의된 방법에 의해 전술한 문제들에 대한 해결책이 제공되고, 방법은,

- 복수의 상이한 시나리오들을 미지의-불안전한 시나리오들인 시나리오들로 감소시키는 제2 프로세스를 더 포함한다.

본 발명에 따른 방법의 하나의 바람직한 실시예는 다음의 단계들을 포함한다:

- 데이터 수집 및 3D-환경의 생성에 의한 시뮬레이션 환경으로 데이터를 가져오는 것,

- 장면 선택 및 기본 시나리오 요소들의 추출,

- 도로 사용자들의 수 및 타입의 선택 및 대량의 시나리오 생성,

- 미지의-불안전한 시나리오로의 최적화.

바람직한 실시예로서, 복수의 상이한 시나리오들을 제공하는 상기의 제1 프로세스는 다음을 포함할 수 있다:

- 단계 1: 데이터를 수집하고, 3D-환경의 생성에 의한 시뮬레이션 환경으로 데이터를 가져오는 단계,

- 단계 2: 장면을 선택하고, 상기의 장면으로부터 기본 시나리오 요소들을 추출하는 단계,

- 단계 3: 도로 사용자들의 수를 선택하고, 각각의 도로 사용자의 타입을 선택하고, 여러 상이한 시나리오들을 생성하는 단계.

바람직하게, 실세계 데이터를 수집하는 것은 다음 중 적어도 하나의 센서들의 센서 기록들을 이용하는 것을 수반한다:

- 드론,

- 도로변 센서들,

- 센서 세트들을 구비한 차량들,

- 정상 차량군. 특히, 이들 가능성들의 조합 또는 전부를 이용하는 것은 점점 더 현실적인 시뮬레이션을 가능하게 하여, 자동화된 드라이빙 시스템의 안전성의 효율적인 테스트 및 가장 가치있는 개선을 초래한다.

본 발명에 따르면, 3D-환경을 생성하는 것은 실세계 기록들의 데이터를 상호작용형 시뮬레이션 설비(interactive simulation facility) - 각각 3D-환경 - 로 변환하여 차량과 그 주변 사이의 상호작용(예를 들어, 지상(ground)/포장(paving) 및 타이어들 사이의 기계적 상호작용)을 가능하게 한다. 이러한 상호작용형 3D-환경은 또한 장면 및 시나리오에 대한 보정들을 가능하게 한다. 이들 보정들은 자동화된 드라이빙 시스템을 개선할 상당한 잠재력을 제공하는 특별한 관심 시나리오를 포함하는 다수의 시나리오들을 생성하는 하나의 필수 요소이다.

본 발명에 따르면, 상기의 제2 프로세스는 복수의 상이한 시나리오들을, 미지의-불안전한 시나리오들의 더 높은 부분을 포함하는, 바람직하게는 미지의-불안전한 시나리오들만을 포함하는 더 선택된 복수의 시나리오들로 감소시키는 것을 특징으로 하는 단계 4를 포함한다. 이전 단계들 중 하나가 시나리오들에 대한 보정들 및 다수의 상이한 시나리오들의 생성을 가능하게 하지만, 생성되는 모든 이러한 시나리오들이 자동화된 드라이빙 시스템의 안전성을 개선하기에 충분히 유용하지는 않을 수 있다. 따라서, 단계 4는 흥미로운 시나리오들의 선택을 제공한다.

다른 바람직한 실시예는 단계 1이 다음과 같은 하위 단계들을 더 포함하는 것을 제공한다:

(1a) 센서들에 의한 실제 시나리오 데이터의 측정치들의 측정 및 기록에 의해 데이터를 수집하는 단계,

(1b) 여러 시나리오들의 실제 시나리오 데이터의 센서 측정들의 기록들을 데이터 수집에 제공하는 단계,

(1c) 상기의 데이터 수집의 데이터를 시뮬레이션 환경으로 가져오는 단계,

(1d) 상기의 시뮬레이션 환경에 의해 상기의 데이터 수집으로부터 적어도 하나의 3D-환경을 생성하는 단계.

다른 바람직한 실시예는 단계 2가 다음을 포함하는 것을 제공한다:

(2a) 시나리오를 설정하기 위해 상기의 3D-환경으로부터 장면을 선택하는 단계,

(2b) 상기의 장면으로부터 기본 시나리오 요소들을 추출하는 단계.

특히, 기본 시나리오 요소들의 추출은, 실제 데이터 기록들의 현실성을 잃지 않고 시나리오의 상호작용성(interactivity), 모듈성(modularity) 및 가변성(variability)을 제공한다.

하나의 바람직한 실시예는 다음의 하위 단계들에 의한 시나리오들의 보정을 제공한다:

(3a) 시나리오를 생성하기 위해 도로 사용자들의 수 및 타입을 선택하는 단계, 및 후속하여

(3b) 선택된 도로 사용자들의 수 및 타입에 기초하여 복수의 시나리오들을 생성하는 단계. 이러한 실세계 데이터의 변경 프로세스는 효율적이며, 양호한 시나리오 품질을 제공한다.

본 발명의 다른 바람직한 실시예에 따르면, 단계 4는 다음의 하위 단계를 포함한다:

(4a) 각각의 시나리오에 대해 심각도 표시자를 시간 경과에 따른 크리티컬리티의 변화로서 결정함으로써 상기의 복수의 시나리오들을 미지의-불안전한 시나리오들의 더 높은 부분을 향해 감소시키는 단계. 이 실시예에 따르면, 시나리오가 덜 미지의-불안전함을 표시하는 심각도 표시자를 갖는 시나리오들은 폐기될 수 있다. 따라서, 미리 정의된 크리티컬리티 임계값을 초과하지 않는 심각도 표시자 양을 갖는 시나리오들은 이전에 알려질 가능성이 더 크고, 따라서 본 발명의 이 바람직한 실시예에 따라 알려지지 않을 자격이 없고, 바람직하게는 폐기된다.

바람직하게, 상기의 심각도 표시자는 다음과 같이 정의될 수 있다:

- 크리티컬리티 표시자의 시간 도함수(time derivative), 또는

- 크리티컬리티 표시자들의 조합의 시간 도함수, 또는

- 가장 바람직하게는, 크리티컬리티 표시자 또는 크리티컬리티 표시자들의 조합의 시간 도함수의 양으로서.

그러한 조합은 여러 크리티컬리티 표시자들의 가중 합일 수 있다.

이 정의는 유익하게도, 시나리오가, 차량 및 자율 드라이빙 시스템(autonomous driving system) 각각에 대해 도로 사용자에게 각각 놀라운 것으로 알려져 있지 않다는 것을 반영한다.

가장 바람직하게, 하나의 크리티컬리티 표시자 또는 본 발명의 변형으로서, 유일한 크리티컬리티 표시자는 예상된 충돌시간(time-to-collision)일 수 있고, 여기서, 심각도 표시자는 바람직하게는 상기의 예상된 충돌시간의 시간 도함수의 양(amount)으로서 또는 대안적으로 상기의 예상된 충돌시간의 네거티브 시간 도함수로서 모델링된다. 다른 알고리즘 옵션들, 예를 들어, 상기의 예상된 충돌시간의 상기의 시간 도함수의 역수 값 또는 네거티브 역수 값이 또한 가능하다.

옵션 "상기의 예상된 충돌시간의 네거티브 시간 도함수"는, 예를 들어, 하나의 파라미터만을 평가함으로써 양쪽 속성들: 미지의 - 또는 놀라운 - 속성과 불안전성(또는 위험성) 속성을 평가하는 것을 가능하게 한다. 심각도 표시자가 증가함에 따라 놀라움 및 위험성이 증가한다. 다른 크리티컬리티 표시자들은 도로 상태에 관련될 수 있다. 도로는 습도(humidity), 습기(moist), 비(rain) 및 온도(temperature)의 양에 따라 젖음(wet), 미끄러짐(slippery) 또는 얼음(icy)일 수 있다. 이러한 요인들은 타이어 견인력(tire traction)에 영향을 줄 수 있다. 갑작스런 흑색 얼음, 안개 또는 뇌우와 같은 그러한 조건들의 변화의 놀라움(미지의)은 이러한 크리티컬리티 표시자들의 시간 도함수의 양으로서 정량화될 수 있다.

한 순간에 예상되는 충돌시간 또는 짧은 충돌시간 값은 충돌 코스 및 속도 차이가 유지되는 경우 2명의 도로 사용자들 또는 차량들 사이의 충돌이 발생할 때까지 남아 있는 시간으로서 정의된다.

본 발명의 하나의 유용한 변형은, 장면 또는 시나리오를 보정하는 것이 아래의 추가적인 단계들 중 적어도 하나를 포함하는 것을 제공한다:

(1e) 상기의 3D-환경에서 적어도 하나의 도로 사용자의 적어도 하나의 궤적의 적어도 하나의 폐색된 부분을 식별하고, 폐색된 부분을 채우는 단계,

(1f) 상기의 3D-환경에서 적어도 하나의 도로 사용자의 적어도 하나의 궤적으로부터 적어도 하나의 동적 객체를 제거하여 매끄러운 궤적들을 갖는 단계,

(1g) 적어도 하나의 도로 사용자에 가상 센서들을 추가하는 단계.

특히, 본 발명은 자동화된 차량의 안전성을 개선하기 위한 장치 및/또는 방법을 다루고, 상기의 장치는 그 방법을 수행하도록 준비되고, 방법은 다음의 단계들을 포함한다:

- 적어도 하나의 프로세서를 포함하는 드라이버 보조 시스템(바람직하게는 진보된 드라이버 보조 시스템(Advanced Driver Assistance System)(ADAS))을 제공하는 단계 - 프로세서는 차량의 동작에서 반-자율적으로(semi-autonomously) 또는 자율적으로 개입(interventions)들을 제어하기 위해 준비되고; 차량의 동작은 차량을 드라이빙하는 것(예를 들어, 가속, 제동), 또는 특정 조종들을 제어하는 것(예를 들어, 주차-조향 보조), 또는 시그널링 디바이스들을 판독하는 것, 또는 크리티컬 상황들 직전에 또는 그 동안에 적절한 인간-머신 인터페이스들을 통해 드라이버에게 경고하는 것으로서 간주될 수 있음 -;

- 개입 제어 거동을 구성하기 위해 (단지 2개의 상이한 설정들을 비교할 때) 적어도 2개의, 바람직하게는 2개보다 많은 파라미터(ADAS-파라미터) 설정들을 제공하는 단계,

- 여러 상이한 파라미터 설정들을 갖는 청구항 1 내지 청구항 12 중 적어도 하나에 따른 방법에 의해 생성된 적어도 하나의 미지의-불안전한 시나리오의 시뮬레이션으로 루프에서(루프 XiL에서의 어떤 것; 예를 들어, 루프 HiL에서의 하드웨어(https://de.wikipedia.org/wiki/Hardware_in_the_Loop)의 의미에서) 상기의 드라이버 보조 시스템들(바람직하게는 진보된 드라이버 보조 시스템들)의 적어도 부분들을 테스트하는 단계,

- 미리 정의된 기준들에 관한 다른 파라미터 설정들보다 더 양호하게 동작하는 상기의 여러 상이한 파라미터 설정들 중 적어도 하나의 파라미터 설정을 선택하는 단계,

- 선택된 파라미터 설정들 중 하나에 의해 자동화된 차량 드라이버 보조 시스템(ADAS)을 구성하는 단계,

- 구성된 드라이버 보조 시스템(ADAS)으로 자동화된 차량들을 드라이빙하는 단계.

여기서 바람직하게는, 개입 제어 거동을 구성하기 위한 파라미터(ADAS-파라미터) 설정들을 제공하는 것은, 제1 추측에서, 각각의 파라미터에 대해 임의의 바람직하게는 임의의 합리적인 각각의 실현가능한 값을 임의적으로 선택함으로써, 또는 각각의 파라미터에 대해 합리적인 각각의 실현가능한 간격들을 선택하고 바람직하게는 전체 범위를 커버하기 위해 이러한 간격들로부터 바람직하게는 등거리 값들(equidistant values)을 선택하며, 상이한 파라미터들의 이러한 값들을 무작위로 또는 체계적으로 조합하고 각각의 드라이버 보조 시스템 파라미터 성능을 비교하는 최적화 전략을 따름으로써 행해질 수 있다.

각자의 드라이버 보조 시스템 파라미터 성능의 비교는 다음을 비교함으로써 행해질 수 있다.

- 각각의 시나리오들 동안의 최대(또는 (크리티컬리티 표시자에 따라) 크리티컬리티의 최소 또는 양) 크리티컬리티 값들, 또는

- 크리티컬리티 적분(criticality integrals), 또는

- 크리티컬리티/심각도의 비율들, 또는

- 결과적인 안전성 및 각각의 안전성 개선을 평가하기 위한 다른 알려진 기준들.

또한, 본 발명은 상기의 장치, 예를 들어, 적어도 하나의 프로세서를 포함하는 컴퓨터 시스템에 관한 것이며, 프로세서는 본 발명에 따른 방법 또는 그의 변형들 또는 바람직한 실시예들 중 하나를 수행하도록 준비된다.

본 발명 또는 그의 바람직한 실시예들 중 하나에 따른 방법을 수행하기 위한 장치는 컴퓨터 네트워크에서의 컴퓨터, 개인용 컴퓨터 또는 워크스테이션일 수 있으며, 중앙 처리 유닛, 시스템 메모리, 및 시스템 메모리를 포함하는 다양한 시스템 컴포넌트들을 중앙 처리 유닛에 결합하는 시스템 버스를 포함한다. 시스템 버스는 메모리 버스 또는 메모리 제어기, 주변장치 버스, 및 각종의 버스 아키텍처들 중 임의의 것을 이용하는 로컬 버스를 포함한 여러 타입의 버스 구조들 중 임의의 것일 수 있다. 시스템 메모리는 판독 전용 메모리(ROM) 및/또는 랜덤 액세스 메모리(RAM)를 포함할 수 있다. 시동 중과 같은 때에, 개인용 컴퓨터 내의 요소들 간의 정보 전송을 돕는 기본 루틴들을 포함하는 기본 입력/출력 시스템(BIOS)이 ROM에 저장될 수 있다. 컴퓨터는 또한 하드 디스크로부터 판독하고 그에 기입하기 위한 하드 디스크 드라이브를 포함할 수 있다. 하드 디스크 드라이브는 하드 디스크 드라이브 인터페이스에 의해 시스템 버스와 결합될 수 있다. 드라이브 및 그의 연관된 저장 매체들은 머신 판독가능 명령어들, 데이터 구조들, 프로그램 모듈들 및 컴퓨터에 대한 다른 데이터의 비휘발성 저장을 제공한다. 본 명세서에 설명된 예시적인 환경은 하드 디스크를 이용하지만, 본 기술분야의 통상의 기술자라면 플래시 메모리 카드들, 디지털 비디오 디스크들, RAM(random access memory)들, ROM(read only memory)들 등과 같은 다른 타입의 저장 매체들이 앞서 소개한 저장 디바이스들 대신에 또는 그에 부가하여 이용될 수 있다는 것을 잘 알 것이다. 다수의 프로그램 모듈들은, 예를 들어, 하드 디스크, ROM 또는 RAM, 예컨대, 운영 체제, 추정하기 위한 방법과 같은 하나 이상의 애플리케이션 프로그램 및/또는 다른 프로그램 모듈들, 및/또는 프로그램 데이터 상에 저장될 수 있다.

본 발명의 추가의 가능한 구현들 또는 대안적인 해결책들은 또한 실시예들과 관련하여 위에서 또는 아래에서 설명되는 특징들의 조합들 - 본 명세서에서 명시적으로 언급되지 않음 - 을 포함한다. 본 기술분야의 통상의 기술자는 또한 본 발명의 가장 기본적인 형태에 개별 또는 분리된 양태들 및 특징들을 추가할 수 있다.

지금까지, 본 발명은 청구된 방법 및 장치와 관련하여 설명되었다. 본 명세서의 특징들, 이점들 또는 대안적인 실시예들은 다른 청구된 객체들(예를 들어, 컴퓨터 프로그램 또는 디바이스, 즉, 장치 또는 컴퓨터 프로그램 제품)에 할당될 수 있고, 그 반대도 가능하다. 즉, 디바이스에 대해 청구되거나 설명되는 발명 대상은 방법의 맥락에서 설명되거나 청구되는 특징들에 의해 개선될 수 있고, 그 반대도 마찬가지이다. 이 경우, 방법의 기능적 특징들은 각각 시스템의 구조적 유닛들에 의해 구현되고, 그 반대도 마찬가지이다. 일반적으로, 컴퓨터 과학에서, 소프트웨어 구현 및 대응하는 하드웨어 구현은 동등하다. 따라서, 예를 들어, 데이터를 "저장"하기 위한 방법 단계는 저장 유닛 및 데이터를 저장소에 기입하기 위한 각각의 명령어들을 이용하여 수행될 수 있다. 장치가 방법을 참조하여 설명된 대안적인 실시예들에서 또한 이용될 수 있지만, 중복을 회피하기 위해, 이러한 실시예들은 장치에 대해 다시 명시적으로 설명되지 않는다.

방법의 모든 단계들이 반드시 동일한 컴포넌트 또는 컴퓨터 인스턴스 상에서 수행되어야 하는 것은 아니고, 상이한 컴퓨터 인스턴스들 상에서 또한 수행될 수 있다는 것이 본 발명의 일부이다.

또한, 전술한 방법의 개별 단계들은 하나의 유닛에서 수행될 수 있고, 나머지 컴포넌트들은 분산 시스템으로서 다른 유닛에서 수행될 수 있는 것이 가능하다.

전술한 본 발명의 속성들, 특징들 및 이점들은 물론, 이들이 달성되는 방식은 도면들과 관련하여 더 상세히 설명되는 아래의 설명 및 실시예들에 비추어 더 명확하고 더 이해 가능하게 된다. 이하의 설명은 본 발명을 포함된 실시예들로 제한하지 않는다. 동일한 컴포넌트들 또는 부분들은 상이한 도면들에서 동일한 참조 부호들로 라벨링될 수 있다. 일반적으로, 도면들은 축척에 맞지 않는다. 본 발명의 바람직한 실시예는 또한 종속 청구항들 또는 상기의 실시예들과 각각의 독립 청구항의 임의의 조합일 수 있다는 것을 이해해야 한다.

이제, 본 발명의 실시예들이 첨부 도면들을 참조하여 단지 예로서 설명된다.
도 1은 본 발명에 따른 방법의 단계들을 도시한다.
도 2는 상이한 가능한 데이터 소스들 및 데이터 수집 방법들을 도시한다.
도 3은 장면 위치에서의 소스 및 싱크 게이트들을 도시한다.
도 4는 소스 게이트 1에 대한 생성된 그래프 및 가설적 파라미터 분포이다.
도 5는 미지의-불안전한 시나리오(최상부 좌측), 미지의-불안전한 시나리오(최상부 우측), 선행 차량의 강한 제동으로 인한 충돌시간의 매끄러운 감소(최하부 좌측) 및 선행 차량의 심각한 차선 변경으로 인한 갑작스런 드롭인 충돌시간(abrupt drop-in time to collision)(최하부 우측)을 도시한다.
도 6은 3명의 동적 도로 사용자들을 갖는 장면에 대한 다중 목표 최적화를 도시한다.
도면들에서의 예시는 각각 개략적인 형태이다.
상이한 도면들에서, 유사하거나 동일한 요소들에는 동일한 참조 부호들이 제공될 수 있다는 점에 유의한다.

도면들의 설명

도 1은 본 발명에 따른 방법의 단계들을 예시하는 단순화된 흐름도를 도시한다.

본 발명에 따른 방법의 더 일반적인 클러스터링은 다음을 포함한다:

- 복수의 상이한 시나리오들(SCO)을 제공하는 제1 프로세스(PC1), 및

- 복수의 상이한 시나리오들(SCO)을 미지의-불안전한 시나리오들(SUU)인 시나리오들(SCO)로 감소시키는 제2 프로세스(PC2).

세부사항들로 더 분해하면, 상기의 제1 프로세스(PC1)는 다음을 특징으로 한다:

- 단계 1:

센서들(SNR)에 의한 실제 시나리오(SCO) 데이터의 측정들의 측정 및 기록에 의해 데이터(CDT)를 수집하는 것, 예를 들어, 실제 차량(VHC) 동작으로부터 데이터(CDT)를 수집하는 것, 및

상기의 데이터 수집(DCL)의 데이터(CDT)를 시뮬레이션 환경(SME)으로 가져오는 것, 및

상기의 시뮬레이션 환경(SME)에 의해 상기의 데이터 수집(DCL)으로부터 적어도 하나의 3D-환경(3DE)을 생성하는 것;

- 단계 2:

시나리오(SCO)를 설정하기 위해 상기의 3D-환경(3DE)으로부터 장면(SCN)을 선택하는 것, 및

상기의 장면(SCN)으로부터 기본 시나리오(SCO) 요소들(SEL)을 추출하는 것.

- 단계 3:

도로 사용자들(RUS)의 수(#RUS)를 선택하고, 각각의 도로 사용자(RUS)의 타입을 선택하는 것, 및

선택된 도로 사용자들(RUS) 수 및 타입에 기초하여 복수의 시나리오들(SCO)을 생성하는 것.

세부사항들로 더 분해하면, 상기의 제1 프로세스(PC1)는 또한, 각각의 시나리오(SCO)에 대해 심각도 표시자(SID)를 시간 경과에 따른 크리티컬리티(CTC)의 변화로서 결정하고, 그 양이 미리 정의된 임계값(TRS)을 초과하지 않는 심각도 표시자(SID)를 갖는 시나리오들(SCO)을 폐기함으로써, 상기의 복수의 시나리오들(SCO)을 미지의-불안전한 시나리오들(SUU)의 더 높은 부분을 향해 감소(RDC)시키는 단계 4를 특징으로 한다.

첫째, 장면 위치들, 날씨 및 조명 조건이 선택되어야 하고, 그 후 데이터는 선택된 장면들(SCN)에서 수집되어야 한다. 특정 장면 위치에 집중함으로써, 데이터 수집의 효율은 상이한 도로 사용자들에 대한 시나리오들의 더 많은 변형을 찾음으로써 증가하고, 또한 그것은 하나의 위치에서 드문 시나리오들을 찾을 가능성을 증가시킨다. 데이터 수집을 위한 상이한 접근법이 구현될 수 있다. 일반적으로, 실제 데이터가 수집될 수 있거나 합성 데이터가 생성될 수 있다.

도 2는, 예를 들어, 특정 장면(SCN) 위치에서 미지의_불안전한 시나리오들(SUU)을 생성하는 제1 프로세스(PC1)에 속하는 단계 1의 데이터 수집(DCL)을 예시하는 단순화된 흐름도를 도시한다.

실제 데이터(RDT 4)에 대해, 도 2는 데이터 수집(도 1을 또한 참조)의 4개의 예시적인 방식들이 다음 중 적어도 하나의 센서들(SNR)의 센서(SNR) 기록들을 이용하는 것을 수반하는 것을 도시한다:

- 드론들(DRN),

- 도로변 센서들(SNR),

- 센서(SNR) 세트들을 구비한 차량들,

- 정상 차량군.

그 후, 수집된 데이터는 처리되고(바람직하게는 모든 센서 기록 타입에 대해 상이하게 후 처리(PPC)) 3D-환경의 생성에 의한 시뮬레이션 환경(SME)으로 가져와져야 한다.

시뮬레이션 환경(SME) 및/또는 후 처리(PPC)는 수집된 상기의 데이터의 궤적들(TRJ)의 폐색된 부분들을 식별하고 채우는 것을 가능하게 한다. 폐색은 합성 데이터(SDT)에 의해 채워질 수 있다. 또한, 바람직하게는 데이터는 궤적들이 매끄럽도록 동적 객체들에 대해 필터링될 수 있다. 데이터 세트의 폐색된 부분들을 채우는 것은 아래에 더 설명되는 기본 시나리오 요소들을 추출할 가능성을 증가시킨다. 더욱이, 시뮬레이션 환경(SME)으로 데이터를 가져오는 것은 도로 사용자들(RUS)에 가상 센서들(추가적인 합성 데이터(SDT))을 추가함으로써 데이터를 풍부하게 할 가능성을 제공한다.

단계 (2)의 상기의 장면 선택 및 기본 시나리오 요소들(BSE)의 추출은 다음의 단계들의 그룹에 속한다.

그래프 기반 접근법(도 3, 4 참조)을 이용하여, 상기의 시뮬레이션 환경(SME)으로 가져와진 데이터로부터 기본 시나리오 요소들(BSE)을 추출할 수 있다. 먼저, 소스 게이트들(SOG)(#1, 2, 3, 4) 및 싱크 게이트들(SIG)(#5, 6, 7, 8)이 장면 위치 상에 정의된다(도 4 참조). 그 후, 그래프의 에지는 소스 게이트들(SOG) 각각으로부터 싱크 게이트들(SIG) 중 하나로의 움직임들의 가능성에 기초하여 구축될 것이다. 이들 기본 시나리오 요소들(BSE)에 대한 파라미터 분포들은 수집된 데이터(CDT)로부터 생성될 수 있다. 예를 들어, 도로 사용자(RUS)의 움직임(MVM)은 일정한 가속도, 일정한 속도 및 일정한 가속도에 의해 종방향으로 추상화될 수 있고, 도로 사용자(RUS)의 측방 움직임은 일정한 곡률 , 과도 곡률 , 및 일정한 곡률 의 3개의 움직임들(MVM)로 추상화될 수 있다. 여기서, C_1 및 C_3은 일정하고, C_2는 글로벌 좌표에서 도로 사용자의 X, Y 위치의 함수이다. 차선 변경(좌/우), U-턴, 턴(좌/우)은 과도 곡률 함수들의 예들이다.

미지의-불안전한 시나리오들(SUU)을 향한 상기의 최적화는 다음의 단계들 (c)의 그룹에 속한다. 본 발명과 관련하여, 상기의 최적화는 복수의 상이한 시나리오들(SCO)을 미지의-불안전한 시나리오들(SUU)의 더 높은 부분을 포함하는, 바람직하게는 미지의-불안전한 시나리오들(SUU)만을 포함하는 시나리오들(SCO)로 감소하는 것이다.

대량의 시나리오들(SCO), 각각 이전 단계에서 생성된 복수의 상이한 시나리오들(SCO) 및/또는 테스트 사례들 중에서, 제한된 수의 사례들만이 크리티컬하며, 따라서 설계자에게 흥미롭다. 미지의 불안전한 시나리오들(SUU)을 찾기 위한 최적화 알고리즘이 필요하다. 이러한 최적화의 하나의 중요한 부분은 가능한 대량의 시나리오들(SCO)을 심각도 표시자라고 지칭되는 미지의 불안전한 시나리오들(SCO)을 향해 효율적으로 좁히는 적절한 목적 함수의 정의이다.

심각도 표시자는 바람직하게는 다음과 같이 정의될 수 있다:

시간에 따른 크리니컬리티의 변화.

이것은 심각도가 크리티컬리티 표시자의 시간 도함수로서 정의된다는 것으로 각각 모델링되는 것으로 표현될 수 있다. 가장 널리 이용되는 크리티컬리티 표시자들 중 하나인 "충돌시간"(TTC)에 대해, 심각도 표시자는, 예를 들어, (d(TTC))/dt로서 모델링될 수 있다. 심각도 값에 대한 높은 값은 시나리오(SCO)의 높은 크리티컬리티가 호스트 차량에 대해 예상되지 않았고 따라서 미지의 시나리오로서 분류될 수 있다는 것을 나타낸다.

도 5는 전방-관찰(forward-looking) 센서(SNR)를 구비한 호스트 차량(VHC)이 호스트 차량(VHC)의 전방에서의 하나의 차량(VHC)만을 검출할 수 있는 2개의 상이한 시나리오를 도시한다. 좌측에서, 호스트 차량은 강하게 제동(BRK)하고 있는 선행 차량(VHC)에 접근하고 있다. 이 경우, TTC가 더 작아짐에 따라 크리티컬리티가 높다. 그러나, 미분 항(derivative term)은 호스트 차량(VHC)이 분명한 시선을 가지므로 크지 않고, 이에 따라, 선행 차량(VHC)이 적시에 제동(BRK)하고 있다는 것을 검출할 수 있다. 우측에서, 선행 차량은 정지 차량(VHC)으로 인한 갑작스런 차선 변경(LCH)을 수행한다. 이 경우, TTC는 더 갑자기 감소하는데, 이는 이 시나리오(SCO)가 예상되지 않았고, 따라서 호스트 차량(VHC)에 대한 미지의 시나리오(SUU)가 예상되지 않았음을 의미한다.

도입된 심각도 표시자는 자동화된 차량의 안전성을 개선(아마도 심지어 최적화)하기 위해 - 바람직하게는 비선형 - 방법으로서 이용될 수 있고, 심각도 표시자는 개선 또는 최적화 장치들 또는 프로세스들(예를 들어, 최적화를 위한 지멘스(Siemens) 소프트웨어인 HEEDS)에서 구현될 수 있다. 물리적 불가능한 시나리오들(SCO)을 생성하는 것을 피하기 위해, 시뮬레이션 환경(SME)(예를 들어, Simcenter Prescan - 차량, 센서들 및 환경 모델링을 위한 지멘스 소프트웨어, 환경 및 센서 시뮬레이션을 위해 이용되는 시뮬레이션 툴)에서 호스트 차량(VHC)의 모델, 다른 도로 사용자들(RUS) 및 환경(3DE)에 제약들이 적용될 수 있다.

특정 장면(SCN)에서 가능한 한 많은 미지의-불안전한 시나리오들(SUU)을 찾기 위해, 최고의 심각도 값을 갖는 시나리오(SCO)만이 고려될 수 있는 것은 아니다(글로벌 최대(global maximum)). 심각도 표시자에 대한 로컬 최대(local maximum)를 나타낼 수 있는 다른 시나리오들도 추출될 수 있다. 그렇게 하기 위해, 로컬 최적으로부터 벗어나고 모든 가능한 로컬 최적은 물론 글로벌 최적을 찾아내기 위해 다중 객관적 최적화 접근법(multiple objective optimization approach)이 이용될 수 있다.

이러한 맥락에서, 도 6은 도로 사용자들(RUS) - 여기서는 보행자(PDS) - 이 갑자기 도로 안으로 걸어가고, 다른 차량은 정지 버스로 인해 차선을 호스트 차량 차선으로 변경하는 장면을 도시한다. 이것은 도 6에 도시된 바와 같이 적어도 2개의 상이한 크리티컬 시나리오들(SCO)을 생성할 수 있다. 도시된 바와 같이, 호스트 차량이 다른 도로 사용자(RUS), 다른 차량(VHC)이 그의 차선 변경을 수행할 때의 차량들(VHC)에 매우 가까울 때, 솔루션이 먼저 발견될 수 있다(심각도에 대한 글로벌 최대로서 도시됨). 호스트 차량(VHC)이 보행자(PDS)에 매우 가깝고 그 후 보행자(PDS)가 도로 안으로 걸어가는 제2 솔루션(로컬 최대)이 발견된다. 보행자(PDS)는 주차된 차량들(VHC)에 의해 시야로부터 차단되기 때문에, 이것은 호스트 차량(VHC)에 대한 불안전한-미지의 시나리오(SUU) 상황을 각각 생성한다. 상기의 시나리오들(SCO)은 도로 사용자들(RUS)의 상이한 상태들을 분명히 보여준다. 이 예는 다중 객관적 최적화 접근법이 상태들의 차이에 기초하여 글로벌(GLM) 및 로컬(LOM) 최대를 찾는 데 어떻게 도움이 되는지를 보여준다.

상기의 크리티컬리티 함수만을 이용하는 것은 상당히 덜 효율적일 수 있는 불안전한-알려진 시나리오들을 찾을 것이다. 본 발명에 따르면, 신규성 함수가 상기의 시간 도함수에 의해 구현되고, 따라서 본 발명은 SOTIF 표준에 따라 미지의-불안전한 시나리오들을 찾을 수 있다. 결과적으로, ADAS 또는 AD 기능들의 입증 및 검증을 위해 시뮬레이션 환경(SME)에서 요구되는 테스트의 양이 상당히 감소될 수 있다.

본 발명의 이점들은 아래에 요약될 수 있다:

- 초기 구체적인 시나리오들로 시작하지 않으면서 미지의-불안전한 시나리오들을 생성.

- SOTIF 표준에 따라 미지의-불안전한 시나리오들을 찾을 수 있는 신규성 함수.

- 스마트 데이터 수집이 바람직할 수 있다: 이것은, 한편으로는 데이터 수집의 효율을 증가시키고 다른 한편으로는 하나의 위치에서 드문 경우들을 발견할 가능성을 증가시키는 특정한 장면(SCN) 위치에 관한 데이터 수집으로 상승적으로 효율적이다.

- 데이터를 시뮬레이션 환경(SME)으로 가져오는 것은 시뮬레이션 환경(SME)에서 센서들(SNR)을 가상으로 추가함으로써 데이터를 풍부하게 할 뿐만 아니라 더 완전한 파라미터 분포들을 탐색할 가능성을 증가시킬 수 있다.

본 발명이 바람직한 실시예를 참조하여 상세히 설명되었지만, 본 발명은 개시된 예들에 의해 제한되지 않으며, 본 발명의 범위로부터 벗어나지 않고 본 기술분야의 통상의 기술자에 의해 다수의 추가적인 수정들 및 변형들이 이루어질 수 있다는 것이 이해되어야 한다.

Claims (9)

1. 특히 자동화된 차량들(VHC)의 안전성을 평가하기 위한, 미지의-불안전한 시나리오들(SUU)을 생성하기 위한 컴퓨터에 의해 구현된 방법으로서,
   - 복수의 상이한 시나리오들(SCO)을 제공하는 제1 프로세스(PC1)를 포함하고,
   - 상기 복수의 상이한 시나리오들(SCO)을 미지의-불안전한 시나리오들(SUU)의 더 높은 부분을 포함하는, 바람직하게는 미지의-불안전한 시나리오들(SUU)만을 포함하는 시나리오들(SCO)로 감소시키는 제2 프로세스(PC2)를 특징으로 하는, 컴퓨터에 의해 구현된 방법.
2. 제1항에 있어서,
   상기 제1 프로세스(PC1)는,
   - 단계 1: 데이터(CDT)를 수집하고, 데이터를 3D-환경(3DE)의 생성에 의해 시뮬레이션 환경(SME)으로 가져오는 것,
   단계 2: 장면(SCN)을 선택(SEC)하고, 상기 장면으로부터 기본 시나리오 요소들(BSE)을 추출(EXR)하는 것,
   - 단계 3: 도로 사용자들(RUS)의 수를 선택하고, 각각의 도로 사용자(RUS)의 타입을 선택하고, 여러 상이한 시나리오들(SCO)을 생성하는 것
   을 특징으로 하는, 컴퓨터에 의해 구현된 방법.
3. 제1항 또는 제2항에 있어서,
   상기 제2 프로세스(PC2)는,
   단계 4: 각각의 시나리오(SCO)에 대해 심각도 표시자(SID)를 시간 경과에 따른 크리티컬리티(CTC)의 변화로서 결정하고, 미리 정의된 임계값(TRS)을 초과하지 않는 심각도 표시자(SID)를 갖는 시나리오들(SCO)을 폐기함으로써, 상기 복수의 시나리오들(SCO)을 미지의-불안전한 시나리오들(SUU)의 더 높은 부분을 향해 감소시키는 것을 포함하는, 컴퓨터에 의해 구현된 방법.
4. 제2항에 있어서,
   단계 1은,
   - 드론들(DRN),
   - 도로변 센서들(SNR),
   - 센서(SNR) 세트들을 구비한 차량들,
   - 정상 차량군
   중 적어도 하나의 센서들(SNR)의 센서(SNR) 기록들(RCD)을 이용하는 것을 수반하는, 컴퓨터에 의해 구현된 방법.
5. 제3항에 있어서,
   상기 심각도 표시자(SID)는,
   - 크리티컬리티(CTC) 표시자의 시간 도함수, 또는
   - 크리티컬리티(CTC) 표시자들의 조합의 시간 도함수
   로서 정의되는, 컴퓨터에 의해 구현된 방법.
6. 제5항에 있어서,
   크리티컬리티(CTC) 표시자는 예상된 충돌시간(TTC)이고, 상기 심각도 표시자(SID)는 상기 예상된 충돌시간(TTC)의 시간 도함수로서 모델링되는, 컴퓨터에 의해 구현된 방법.
7. 제5항에 있어서,
   단계 1은,
   (1e) 상기 3D-환경(3DE)에서 적어도 하나의 도로 사용자(RUS)의 적어도 하나의 궤적(TRJ)의 적어도 하나의 폐색된 부분을 식별하고, 상기 폐색된 부분을 채우는 것,
   (1f) 상기 3D-환경(3DE)에서 적어도 하나의 도로 사용자(RUS)의 적어도 하나의 궤적(TRJ)으로부터 적어도 하나의 동적 객체를 제거하여 매끄러운 궤적들(TRJ)을 갖는 것,
   (1g) 적어도 하나의 도로 사용자(RUS)에 가상 센서들을 추가하는 것
   의 추가적인 단계를 포함하는, 컴퓨터에 의해 구현된 방법.
8. 자동화된 차량(VHC)의 안전성을 개선하는 방법으로서,
   - 적어도 하나의 프로세서(CPU)를 포함하는 드라이버 보조 시스템(ADAS)을 제공하는 단계 - 상기 프로세서(CPU)는 상기 차량(VHC)의 동작에서 반-자율적으로 또는 자율적으로 개입들을 제어하기 위해 준비되고, 상기 프로세서(CPU)의 준비는 상기 개입 제어 거동을 구성하기 위해 ADAS-파라미터 설정들(PRS)을 제공하는 것을 포함함 -,
   - 상기 프로세서(CPU)의 ADAS-파라미터 설정들(PRS)을 제공하는 단계,
   여러 상이한 파라미터 설정들(PRS)을 갖는 제1항 내지 제7항 중 적어도 한 항에 따른 방법에 의해 생성된 적어도 하나의 미지의-불안전 시나리오(SUU)의 시뮬레이션으로 루프에서 상기 ADAS(Advanced Driver Assistance Systems)의 적어도 부분들을 테스트하는 단계,
   미리 정의된 기준들(PDC)에 관하여 다른 파라미터 설정들(PRS)보다 더 양호하게 수행하는 상기 여러 상이한 파라미터 설정들(PRS) 중 적어도 하나의 파라미터 설정(PRS)을 선택하는 단계,
   상기 선택된 파라미터 설정들(PRS) 중 하나에 의해 상기 자동화된 차량들(VHC) 드라이버 보조 시스템(ADAS)을 구성하는 단계,
   상기 구성된 드라이버 보조 시스템(ADAS)으로 상기 자동화된 차량(VHC)을 드라이빙하는 단계를 포함하는, 방법.
9. 적어도 하나의 프로세서(CPU)를 포함하는 장치(CPS)로서,
   상기 프로세서(CPU)는 제1항 내지 제7항 중 어느 한 항에 따른 방법을 수행하도록 준비되는, 장치(CPS).

Images